适用于地面激光雷达点云分类的多层次点集特征的提取方法

摘要

本发明涉及适用于地面激光雷达点云分类的多层次点集特征的提取方法。基于点集特征实现了场景中行人、树木、建筑和汽车等四类比较常见地物的高精度分类。首先，构建点集，将点云重采样成不同尺度的点云，聚类形成不同大小、具有层次结构的点集，获得点集中每一点的特征；接下去，采用LDA(Latent Dirichlet Allocation)方法把每个点集中所有点的基于点的特征综合成点集的形状特征；最后，基于点集的形状特征，采用Adaboost分类器对不同层次的点集进行训练，获得整个点云的分类结果。本发明具有较高的分类精度，尤其在行人和车的分类精度方面，远高于基于点的特征、基于Bag-of-Word的特征和基于概率潜语义分析(PLSA)特征的分类精度。

说明书

一、技术领域

本发明涉及适用于地面激光雷达点云分类的多层次点集特征的提取方法，属于空间信息技术领域。 

二、背景技术

只有有效的分类识别地面激光雷达点云，才能实现复杂场景的认知。单站式地面激光雷达点云一般随距离扫描仪的远近不同密度由稀到密变化，如果场景范围较大，近处和远处地物的点密度会相差数倍，加上点密度不均一导致同一地物在相同尺寸窗口内纹理信息具有较大的差异。城市场景中除了建筑和植被，还存在人和汽车等，这些目标往往个体较小，形态各异，容易被其它物体所遮挡，造成点云不完整，用这部分点云判断它们所属的类别是比较困难的，并且在扫描过程中这些小目标可能处于运动状态，造成点云的拉升，比较显著的纹理特征因拉伸变的模糊而难以识别。 

机载激光雷达点云分布较为均一，所以机载激光雷达点云分类方法较少考虑点云密度的变化，相应的难以应用到地面激光雷达点云分类中。近年来有许多相关研究集中在地面激光雷达点云分类中，部分方法对已经分割出来的点集或地物进行分类，另外一部分从上下文关系识别点云类别，但这些方法离不开对单点或点集特征的选取。基于单点的特征易受到噪声的影响，已有的点集特征使用点集的平均点数、平均法向量等特征，在复杂场景中，这些特征的稳定性较差。目前，仍缺乏对点集特征进行有效描述的方法，基于此，本发明研究一种鲁棒的、具有较高区分度的特征来表达目标或点集，能有效的描述每个点的特征，以及点与点之间的联系，很好的适应地面激光雷达点云密度不均一、噪声以及数据缺失等问题。 

三、发明内容

1、目的：有效获取激光雷达点云数据的特征是实现复杂场景地物识别和分类的基础。地物离扫描仪距离远近不同或者地物间相互遮挡会造成点云密度不均一、地物局部点云的缺失，使得基于点的特征缺乏稳定性，应用这些特征对地物分类精度不高，尤其是造成一些小地物分类精度过低。本发明提出了一种多层次多尺度点集特征的提取方法，基于点集特征实现了场景中行人、树木、建筑和汽车等四类比较常见地物的高精度分类。 

2、技术方案： 

适用于地面激光雷达点云分类的多层次点集特征的提取方法，其特征在于，包括如下步 骤(如图1)： 

步骤一：构建多层次多尺度的点集 

为了从点集中提取鲁棒的、具有较高区分度的形状特征，重采样点云成若干个尺度，每个尺度的点云再分割成若干个层次，生成的最终点集称作多尺度多层次点集。构建多尺度多层次点集的方法如下： 

(1)去除点云中孤立点和地面点。在水平方向建立2m×2m的栅格图像，把点云按照其水平坐标归属到对应的栅格中，每个栅格中点云最低高度作为该栅格的值，每个栅格分成地面点或非地面点。如果它周围存在一个栅格值比它低0.5m，就把它作为非地面点；如果一个栅格的周围均是非地面点，该栅格也是非地面点。地面点的去除分为两步：首先去除地面点栅格中和该栅格最低点高差小于0.1m的点；为了去除那些道路两旁台阶上的点，对周围存在地面点的栅格，剔除该栅格中和周围地面点栅格中最低点高差小于0.1m的点。 

(2)为了使获得的特征有尺度不变性以及对点密度变化具有不敏感性，重采样点云成若干个尺度。假设存在第i个尺度的点云，对其重采样获得第i+1个尺度的点云。递归进行直到该尺度的点云密度小于需要分类点云平均密度的50％为止。根据Shannon采样定理，如果点云采样密度小于原来密度的50％，那么它就无法描述物体的表面信息，该点云作为训练数据会降低分类结果。用点密度小的采样尺度处理远处的物体表面点云，而点密度大的采样尺度有效的处理近处的物体表面。下面分割步骤是在每一个尺度上同时进行的。 

(3)采用图组织点云。将点云中每一点作为一个顶点，寻找每一个点最邻近的k₁个点，连接这些点形成边，获得无向图G₁(V，E)，每条边的欧氏距离作为这条边的权重。通过判断图的连通性获得所有连通分量。 

(4)在比较复杂的区域有些物体是聚集在一起的，一个连通分量会包含多个物体，需要对连通分量进一步分割。区域内一个局部最高点通常意味着该区域内存在一个地物，局部最高点作为地物标识进一步分割。用类似步骤一的过程形成一个1m×1m栅格图像，栅格中的最高点作为该栅格的值。用移动窗口法采用5×5的窗口在栅格上滑动，搜索局部最高点，这些最高点作为地物存在的标志；接下去，用图割(Graph Cut)对包含多个地物标志的连通分量进行分割。把最高点称作为种子点，最后一个连通分量会分成几个围绕着这些种子点的点集。 

(5)引入Normalized Cut分割点云。一个点集Normalized Cut二分，直到点集小于预先定义的阈值δm。为了保证点集包含足够多的形状特征信息，δm由扫描仪设定的角分辨率来决定的。在判断点集属于哪一类时，需要从多个层次对点集进行联合判别，即采用不同的δm获得不同大小的点集，用这些点集进行联合判别。设定δm为最小的那个阈值，对应最深的 层次为第n层，那么第j(j＜n)层的阈值为(n-j)×δm。 

步骤二：提取多层次多尺度点集的特征 

(1)基于点的特征的提取 

首先，定义点云中每点的支撑区域。集合N_p＝{q|q是p的k₂个最邻近点中的一个}作为点p的支撑区域。为了保证支撑区域中点分布均一，k₂不能取太大，太大的k₂会导致N_p中的点落到不同的物体上或者物体的不同部分，k₂也不能取太小，太小会造成用来特征提取的点太少，难以获得稳定的特征。 

定义了支撑区域后，用基于特征值的特征和spin图对一个点的特征进行描述。特征值λ₁，λ₂，λ₃(λ₁＞λ₂＞λ₃)是通过求解下面的协方差矩阵C_p获得的。 

$C_p=\frac{1}{\left|N_p\right|}\underset{q\in N_p}{\Sigma }(q-\bar{p}){(q-\bar{p})}^T---\left(1\right)$

上式(1)中，是集合N_p中所有点的中心。 

不同协方差矩阵获得的特征值的取值范围是不同的，为了便于比较这些特征值，需要对其进行归一化。 

λ_i＝λ_i/∑_iλ_i i＝1，2，3    (2) 

获取了特征值以后，计算基于特征值的特征并构建形成一个6维的向量F_eigen， 

$F_{\mathrm{eigen}}=[3\sqrt{\underset{i=1}{\overset{3}{\Pi }}{\lambda }_i},\frac{{\lambda }_1-{\lambda }_3}{{\lambda }_1},\frac{{\lambda }_2-{\lambda }_3}{{\lambda }_1},\frac{{\lambda }_3}{{\lambda }_1},-\underset{i=1}{\overset{3}{\Sigma }}{\lambda }_i\log \left({\lambda }_i\right)\text{,}\frac{{\lambda }_1-{\lambda }_2}{{\lambda }_1}]---\left(3\right)$

F_eigen中基于特征值的特征依次代表结构张量全方差、结构张量的各向异性、结构张量的平面、球形结构张量、结构张量特征熵和线性结构张量。 

spin图用来求取场景中一点周围区域的大量形状特征，它通过2维直方图分布表达三维空间的信息。采用一个点的法向量作为spin图的旋转轴。接着，支撑区域中的一个点p按照式(4)计算它在spin图中的坐标。获得了每个三维点对应到spin图坐标后，完成一个三维点到spin图上点的转化。 

$\left(\begin{array}{c}x=\sqrt{{|q-p|}^2-{[n*(q-p)]}^2}\\ y=n*(q-p)\end{array}\right)---\left(4\right)$

式(4)中，x代表三维点在spin图x轴的坐标，y代表三维点在spin图y轴的坐标，q代表q点的三维坐标，p代表p点的三维坐标，n表示p点的法向量。 

生成每一点的3×4spin图像。为了减少spin图中0值的数量，计算所有投影在负y轴上 点所对应该方向上的绝对值作为它们的y值。这样y轴的范围就从原来的-∞到+∞变成了0到+∞。在spin图中，x轴方向的栅格值是该点支撑范围内距离该点最远点到该点距离的1/3。手工设定y轴方向的栅格值，第一个刻度是从0-0.02m，第二个刻度是从0.02-0.04m，第三个刻度是从0.04-0.06m，第四个刻度是0.06到+∞。一个点支撑区域中所有点落入到spin图中后，计算spin图中每个栅格中点的数量，这些栅格形成了一个2D直方图，用向量F_spin来表示。12个栅格的值形成了一个12维的F_spin，它和6维的F_eigen通过[F_spin，F_eigen]的方式构成了一个18维的向量F_point。F_point就是本发明采用的基于点的特征，它具有F_spin和F_eigen的方向不变性的特点。 

(2)基于LDA(Latent Dirichlet Allocation)提取多层次多尺度点集的特征 

获得多层次多尺度点集中所有点的F_point后，需用一个特征向量表达一个点集中所有点的F_point。这个特征向量是对这些点的F_point的综合，并且该特征向量能够表达点之间的关系。LDA模型提取的特征继承了F_point的旋转不变性，也抑制了基于点的特征对噪声的不稳定性。 

为了建立LDA模型，先定义点集中的文档、文档集合、字典以及单词。所有的多层次多尺度的点集定义成文档，整个多层次多尺度的点集集合定义为文档集合，字典和单词采用矢量量化的方式获得。采用K-means算法对多层次多尺度的点集中所有点的F_point进行聚类，获得K个中心向量，这K个中心向量就是单词，这些单词的集合就是字典。获得了单词和字典以后，重新编码所有点的F_point，每个F_point用离它最近的单词代替。代替完F_point后，所有的特征压缩到一个由这些单词构成的空间内。统计每一个点集中的词频，这样每一集合就表示成一个词频的向量，向量长度是单词的数量，向量的值是对应单词在这个点集中的频率。通过这些词频向量学习到LDA模型。 

获得LDA模型后，提取每一点集的隐语义向量，构成多尺度多层次点集的特征。计算每点的F_point与每个单词的距离，对整个F_point构成的矩阵按列归一化。本发明采用式(5)进行归一化。 

$n=\frac{f-\min }{\max -\min }---\left(5\right)$

式(5)中，n代表归一化后的值，f代表当前值，max表示一列中最大值，min表示这一列中最小值。 

记录归一化的方法和参数用于计算未知点集对应维数值。当提取未知点集的多层次多尺度特征时，计算该点集每点的F_point，按照训练过程中归一化的方式，归一化每点F_point中每一维的值，用字典中的单词代替归一化后的F_point，得到点集中每个单词后，也就获得了该点集的词频向量，用学习得到的LDA模型识别词频向量获得这个点集的多尺度多层次特征。 

LDA模型没有改变F_point的方向不变性，提取的多尺度多层次特征具有方向不变性，并且它是由多尺度多层次的点集所训练得到的，也保持了尺度不变性。这个特征是由点集中的隐语义构成的，每个隐语义表示点集中那些具有相似特性的特征总和。 

步骤三：基于多层次多尺度特征的分类 

将训练样本聚类成多层次多尺度点集，获得多层次多尺度特征。为了避免训练LDA模型受聚类形成的碎片影响，保持训练集对主要地物的纯净性，点数小于20的点集不参与训练LDA模型。当获得所有多尺度多层次的点集特征后，训练得到多个一对多的AdaBoost分类器。每一点集的集合训练4个AdaBoost分类器，分别对应人、树、建筑、汽车4个类别。当LDA模型和AdaBoost分类器学习完毕以后，结束训练过程，就对未知的点云进行分类。 

遇到未标识的点云时，首先将其分成多层次点集，采用LDA获得这些点集的特征，通过AdaBoost分类器对这些点集进行分类。通过AdaBoost分类器分类以后，计算得到每一个点集属于某一类l_i的概率： 

$P_{\mathrm{num}}(l_i,F)=\frac{\exp \left(H_{\mathrm{num}}(l_i,F)\right)}{{\Sigma }_i\exp \left(H_{\mathrm{num}}(l_i,F)\right)}---\left(6\right)$

式(6)中，F是多层次多尺度的特征，num表示第num个层次(1≤num≤n)，Pnum(l_i，F)是这个点集在第num层标识为l_i的概率，H_num(l_i，F)是AdaBoost分类器对这一点集属于l_i类的输出权重。 

这样会得到所有的点集分成哪一类的概率，但是在未知点云分类过程中，一个点集在较粗层次上可能包含多个地物，所以只对最大层次的点集进行标识，其它层次只起辅助作用。最大层次点集包含点数少，又经过normalized cut分割形成的，绝大部分点集只包含一个地物。点集标识为l_i的概率由式(7)决定： 

$P\left(l_i\right)=\underset{\mathrm{num}=1}{\overset{n}{\Pi }}{P}_{\mathrm{num}}(l_i,F)---\left(7\right)$

点集归属类别是取这个点集所有类别中概率最大的那一类，至此完成整个点云分类。 

3、优点及功效：本发明提出了一种提取点集特征的方法，基于点集特征实现了场景中行人、树木、建筑和汽车等四类比较常见地物的高精度分类。首先，构建点集，将点云重采样成不同尺度的点云，聚类形成不同大小、具有层次结构的点集，获得点集中每一点的特征；接下去，采用LDA方法把每个点集中所有点的基于点的特征综合成点集的形状特征；最后，基于点集的形状特征，采用Adaboost分类器对不同层次的点集进行训练，获得整个点云的分类结果。本发明具有较高的分类精度，尤其在行人和车的分类精度方面，远高于基于点的特征、 基于Bag-of-Word的特征和基于概率潜语义分析(PLSA)的特征的分类精度。 

四、附图说明

图1采用多尺度多层次点集特征进行分类流程图 

五、具体实施方式

本发明涉及适用于地面激光雷达点云分类的多层次点集特征的提取方法，其特征在于，该方法的具体步骤如下(如图1)： 

步骤一：构建多层次多尺度的点集 

为了从点集中提取鲁棒的、具有较高区分度的形状特征，重采样点云成若干个尺度，每个尺度的点云再分割成若干个层次，生成的最终点集称作多尺度多层次点集。构建多尺度多层次点集的方法如下： 

(1)去除点云中孤立点和地面点。在水平方向建立2m×2m的栅格图像，把点云按照其水平坐标归属到对应的栅格中，每个栅格中点云最低高度作为该栅格的值，每个栅格分成地面点或非地面点。如果它周围存在一个栅格值比它低0.5m，就把它作为非地面点；如果一个栅格的周围均是非地面点，该栅格也是非地面点。地面点的去除分为两步：首先去除地面点栅格中和该栅格最低点高差小于0.1m的点；为了去除那些道路两旁台阶上的点，对周围存在地面点的栅格，剔除该栅格中和周围地面点栅格中最低点高差小于0.1m的点。 

(2)为了使获得的特征有尺度不变性以及对点密度变化具有不敏感性，重采样点云成若干个尺度。假设存在第i个尺度的点云，对其重采样获得第i+1个尺度的点云。递归进行直到该尺度的点云密度小于需要分类点云平均密度的50％为止。根据Shannon采样定理，如果点云采样密度小于原来密度的50％，那么它就无法描述物体的表面信息，该点云作为训练数据会降低分类结果。用点密度小的采样尺度处理远处的物体表面点云，而点密度大的采样尺度有效的处理近处的物体表面。下面分割步骤是在每一个尺度上同时进行的。 

(3)采用图组织点云。将点云中每一点作为一个顶点，寻找每一个点最邻近的k₁个点，连接这些点形成边，获得无向图G₁(V，E)，每条边的欧氏距离作为这条边的权重。通过判断图的连通性获得所有连通分量。 

(4)在比较复杂的区域有些物体是聚集在一起的，一个连通分量会包含多个物体，需要对连通分量进一步分割。区域内一个局部最高点通常意味着该区域内存在一个地物，局部最高点作为地物标识进一步分割。用类似步骤一的过程形成一个1m×1m栅格图像，栅格中的最高点作为该栅格的值。用移动窗口法采用5×5的窗口在栅格上滑动，搜索局部最高点，这 些最高点作为地物存在的标志；接下去，用图割(Graph Cut)对包含多个地物标志的连通分量进行分割。把最高点称作为种子点，最后一个连通分量会分成几个围绕着这些种子点的点集。 

(5)引入Normalized Cut分割点云。一个点集Normalized Cut二分，直到点集小于预先定义的阈值δm。为了保证点集包含足够多的形状特征信息，δm由扫描仪设定的角分辨率来决定的。在判断点集属于哪一类时，需要从多个层次对点集进行联合判别，即采用不同的δm获得不同大小的点集，用这些点集进行联合判别。设定δm为最小的那个阈值，对应最深的层次为第n层，那么第j(j＜n)层的阈值为(n-j)×δm。 

步骤二：提取多层次多尺度点集的特征 

(1)基于点的特征的提取 

首先，定义点云中每点的支撑区域。集合N_p＝{q|q是p的k₂个最邻近点中的一个}作为点p的支撑区域。为了保证支撑区域中点分布均一，k₂不能取太大，太大的k₂会导致N_p中的点落到不同的物体上或者物体的不同部分，k₂也不能取太小，太小会造成用来特征提取的点太少，难以获得稳定的特征。 

定义了支撑区域后，用基于特征值的特征和spin图对一个点的特征进行描述。特征值λ₁，λ₂，λ₃(λ₁＞λ₂＞λ₃)是通过求解下面的协方差矩阵C_p获得的。 

$C_p=\frac{1}{\left|N_p\right|}\underset{q\in N_p}{\Sigma }(q-\bar{p}){(q-\bar{p})}^T---\left(1\right)$

上式(1)中，是集合N_p中所有点的中心。 

不同协方差矩阵获得的特征值的取值范围是不同的，为了便于比较这些特征值，需要对其进行归一化。 

λ_i＝λ_i/∑_iλ_i i＝1，2，3    (2) 

获取了特征值以后，计算基于特征值的特征并构建形成一个6维的向量F_eigen， 

$F_{\mathrm{eigen}}=[3\sqrt{\underset{i=1}{\overset{3}{\Pi }}{\lambda }_i},\frac{{\lambda }_1-{\lambda }_3}{{\lambda }_1},\frac{{\lambda }_2-{\lambda }_3}{{\lambda }_1},\frac{{\lambda }_3}{{\lambda }_1},-\underset{i=1}{\overset{3}{\Sigma }}{\lambda }_i\log \left({\lambda }_i\right)\text{,}\frac{{\lambda }_1-{\lambda }_2}{{\lambda }_1}]---\left(3\right)$

F_eigen中基于特征值的特征依次代表结构张量全方差、结构张量的各向异性、结构张量的平面、球形结构张量、结构张量特征熵和线性结构张量。 

spin图用来求取场景中一点周围区域的大量形状特征，它通过2维直方图分布表达三维空间的信息。采用一个点的法向量作为spin图的旋转轴。接着，支撑区域中的一个点p按照式(4)计算它在spin图中的坐标。获得了每个三维点对应到spin图坐标后，完成一个三维点到 spin图上点的转化。 

$\left(\begin{array}{c}x=\sqrt{{|q-p|}^2-{[n*(q-p)]}^2}\\ y=n*(q-p)\end{array}\right)---\left(4\right)$

式(4)中，x代表三维点在spin图x轴的坐标，y代表三维点在spin图y轴的坐标，q代表q点的三维坐标，p代表p点的三维坐标，n表示p点的法向量。 

生成每一点的3×4spin图像。考虑到支撑区域内点不多，为了减少spin图中0值的数量，计算所有投影在负y轴上点所对应该方向上的绝对值作为它们的y值。这样y轴的范围就从原来的-∞到+∞变成了0到+∞。在spin图中，x轴方向的栅格值是该点支撑范围内距离该点最远点到该点距离的1/3。手工设定y轴方向的栅格值，第一个刻度是从0-0.02m，第二个刻度是从0.02-0.04m，第三个刻度是从0.04-0.06m，第四个刻度是0.06到+∞。一个点支撑区域中所有点落入到spin图中后，计算spin图中每个栅格中点的数量，这些栅格形成了一个2D直方图，用向量F_spin来表示。12个栅格的值形成了一个12维的F_spin，它和6维的F_eigen通过[F_spin，F_eigen]的方式构成了一个18维的向量F_point。F_point就是本发明采用的基于点的特征，它具有F_spin和F_eigen的方向不变性的特点。 

(2)LDA提取多层次多尺度点集的特征 

获得多层次多尺度点集中所有点的F_point后，需用一个特征向量表达一个点集中所有点的F_point。这个特征向量是对这些点的F_point的综合，并且该特征向量能够表达点之间的关系。LDA模型提取的特征继承了F_point的旋转不变性，也抑制了基于点的特征对噪声的不稳定性。 

为了建立LDA模型，先定义点集中的文档、文档集合、字典以及单词。所有的多层次多尺度的点集定义成文档，整个多层次多尺度的点集集合定义为文档集合，字典和单词采用矢量量化的方式获得。采用K-means算法对多层次多尺度的点集中所有点的F_point进行聚类，获得K个中心向量，这K个中心向量就是单词，这些单词的集合就是字典。获得了单词和字典以后，重新编码所有点的F_point，每个F_point用离它最近的单词代替。代替完F_point后，所有的特征压缩到一个由这些单词构成的空间内。统计每一个点集中的词频，这样每一集合就表示成一个词频的向量，向量长度是单词的数量，向量的值是对应单词在这个点集中的频率。通过这些词频向量学习到LDA模型。 

获得LDA模型后，提取每一点集的隐语义向量，构成多尺度多层次点集的特征。计算每点的F_point与每个单词的距离，对整个F_point构成的矩阵按列归一化。本发明采用式(5)进行归一化。 

$n=\frac{f-\min }{\max -\min }---\left(5\right)$

式(5)中，n代表归一化后的值，f代表当前值，max表示一列中最大值，min表示这一列中最小值。 

记录归一化方法和参数用于计算未知点集对应维数值。当提取未知点集的多层次多尺度特征时，计算该点集每点的F_point，按照训练过程中归一化的方式，归一化每点F_point中每一维的值，用字典中的单词代替归一化后的F_point，得到点集中每一个单词后，也就获得了这个点集的词频向量，用学习得到的LDA模型识别词频向量获得这个点集的多尺度多层次特征。 

LDA模型没有改变F_point的方向不变性，提取的多尺度多层次特征具有方向不变性，并且它是由多尺度多层次的点集所训练得到的，也保持了尺度不变性。这个特征是由点集中的隐语义构成的，每个隐语义表示点集中那些具有相似特性的特征总和。 

步骤三：基于多层次多尺度特征的分类 

将训练样本聚类成多层次多尺度点集，获得多层次多尺度特征。为了避免训练LDA模型受聚类形成的碎片影响，保持训练集对主要地物的纯净性，点数小于20的点集不参与训练LDA模型。当获得所有多尺度多层次的点集特征后，训练得到多个一对多的AdaBoost分类器。每一点集的集合训练4个AdaBoost分类器，分别对应人、树、建筑、汽车4个类别。当LDA模型和AdaBoost分类器学习完毕以后，结束训练过程，就对未知的点云进行分类。 

遇到未标识的点云时，首先将其分成多层次点集，采用LDA获得这些点集的特征，通过AdaBoost分类器对这些点集进行分类。通过AdaBoost分类器分类以后，计算得到每一个点集属于某一类l_i的概率： 

$P_{\mathrm{num}}(l_i,F)=\frac{\exp \left(H_{\mathrm{num}}(l_i,F)\right)}{{\Sigma }_i\exp \left(H_{\mathrm{num}}(l_i,F)\right)}---\left(6\right)$

式(6)中，F是多层次多尺度的特征，num表示第num个层次(1≤num≤n)，P_num(l_i，F)是这个点集在第num层标识为l_i的概率，H_num(l_i，F)是AdaBoost分类器对这一点集属于l_i类的输出权重。 

这样会得到所有的点集分成哪一类的概率，但是在未知点云分类过程中，一个点集在较粗层次上可能包含多个地物，所以只对最大层次的点集进行标识，其它层次只起辅助作用。最大层次点集包含点数少，又经过normalized cut分割形成的，绝大部分点集只包含一个地物。点集标识为l_i的概率由式(7)决定： 

$P\left(l_i\right)=\underset{\mathrm{num}=1}{\overset{n}{\Pi }}{P}_{\mathrm{num}}(l_i,F)---\left(7\right)$

点集归属类别是取这个点集所有类别中概率最大的那一类，至此完成整个点云分类。 

实施例1： 

利用三个城市场景点云数据进行定性和定量验证本发明的性能。这三个场景的点云是通过地面激光雷达单站式扫描获得的，场景中主要地物包含建筑、树、人和汽车。场景范围较大，相应的点密度变化也较大，近处的一棵小树往往包含了十几万个点，而远处的一栋高楼只包含几千个点。单站扫描只能获取物体面向扫面仪的表面数据，而且后方物体经常前方物体遮挡造成数据缺失。为了训练这些分类器和评估本发明，这三个场景手动进行的标识，标识的结果作为真值。 

从学习过程和分类过程的精度等方面，本发明和其它三种特征以及sLDA方法进行了比较。sLDA是LDA和广义线性模型结合而形成的一种生成模型，它只有一个层次。方法I用基于点的特征进行分类，因为获取基于点的特征不需要聚类过程，所以方法I不存在多层次性或者多尺度性；方法II用词袋(BoW)替代LDA作为特征，用词频向量作为分类器的输入，而不用LDA模型对这些词频向量进一步压缩提取隐语义。方法III用概率潜语义分析(PLSA)代替LDA对词频向量压缩提取隐语义，隐语义数量和LDA的隐语义数量是相同的。方法IV采用sLDA方法。 

如表所示，本发明的学习结果的正确率(precision)和召回率(recall)高于其它方法，说明本发明能有效的描述这些训练数据。 

表1.不同方法的学习结果比较(precision/recall). 

如表2所示，在三个场景中，本发明对大多数类别分类结果的precision和recall是良好的，能有效区分场景中不同类别目标。虽然有些目标在局部空间上具有较小的可区分性，但还能 较好的分类这些地物。和其它方法相比，所有场景的精度是最高的，说明本发明获得正确分类点最多。 

表2.不同方法对三个场景分类性能的定量评价(precision/recall) 

场景I 人(％) 树(％) 建筑(％) 汽车(％) 本发明 82.9/62.7 95.4/98.3 89.9/86.7 52.9/45.4 方法I 28.6/32.5 89.5/87.4 61.3/62.0 9.1/12.8 方法II 81.6/52.6 94.6/98.0 87.8/88.2 50.2/33.4 方法III 32.2/12.5 84.0/95.2 60.0/41.0 0/0 sLDA 68.4/33.5 91.9/97.7 84.1/80.7 42.9/18.1 场景II 人(％) 树(％) 建筑(％) 汽车(％) 本发明 78.8/77.5 95.9/90.1 89.0/93.3 83.7/86.4 方法I 53.8/54.8 79.6/86.2 84.4/79.0 63.0/59.8 方法II 70.9/81.1 93.0/90.8 92.8/89.2 80.3/89.6 方法III 68.8/56.2 89.0/91.2 82.9/91.2 82.0/65.8 sLDA 66.8/50.5 94.6/90.2 84.8/94.1 79.7/72.9 场景III 人(％) 树(％) 建筑(％) 汽车(％) 本发明 84.9/69.4 98.2/95.6 83.7/92.3 77.4/85.6 方法I 56.9/47.4 92.2/85.1 56.5/73.2 50.5/55.1 方法II 56.8/75.2 98.2/95.0 88.4/90.4 78.1/88.0 方法III 71.7/33.7 91.2/94.9 75.7/79.1 72.3/51.4 sLDA 84.3/63.6 95.2/96.4 81.6/87.7 74.9/58.4